Türkiye Merkezli Predictive Analytics Eğitimleri

Bu eğitmenlerce yönetilen canlı eğitim (çevrimiçi veya yerel olarak) orta düzeyde geliştiriciler için tasarlanmıştır ve tahmin edici analiz ve yapıcı modeller kullanarak AI destekli uygulamalar oluşturmaya isteyen kişileri hedef almaktadır.

Bu eğitim sonunda, katılımcılar şunları başarabilecekler:

• Tahmin edici AI ve yapıcı modellerin temellerini anlamak.
• Tahmin edici kodlama, tahminler ve otomasyon için AI destekli araçları kullanmak.
• Metin ve kod üretimi için LLM'ler (Büyük Dil Modelleri) ve dönüştürücüler uygulamak.
• Zaman serisi tahminleri ve AI tabanlı önerileri uygulamak.
• Gerçek dünya uygulamaları için AI modellerini geliştirmek ve iyileştirmek.
• AI dağıtımındaki etik düşünceleri ve en iyi uygulamaları değerlendirmek.

Bu eğitmen tarafından yönetilen canlı eğitim Türkiye (çevrimiçi veya yerinde) orta düzeyde veri profesyonelleri hedeflenmektedir. Bu grup, makine öğrenme tekniklerini satış tahminleri ve nöral ağlar kullanarak tahmine dayalı modelleme dahil olmak üzere veri tabanlı iş sorunlarına uygulamayı isteyen kişilerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecek durumda olacaktır:

• Makine öğrenme temel kavramlarını ve türlerini anlama.
• Sınıflandırma, regresyon, kümeleme ve ilişkilendirme analizi için anahtar algoritmaları uygulama.
• Python kullanarak keşifçi veri analizi ve veri hazırlığı yapma.
• Doğrusal olmayan modelleme görevleri için nöral ağları kullanma.
• Satış verilerini de içeren iş tahminleri için tahmine dayalı analitik uygulama.
• Görsel ve istatistiksel teknikler kullanarak model performansını değerlendirme ve optimize etme.

Bu Türkiye'da (çevrimiçi veya yerel) gerçekleşen, eğitmen yönetimi altında olan canlı eğitim, tahmin edici AI'nin temellerini anlamak isteyen yeni başlayan IT profesyonellere yöneliktir.

Bu eğitim sonunda, katılımcılar şunları yapabilecek hale gelecekler:

• Tahmin edici AI'nin temel kavramlarını ve uygulamalarını anlamak.
• Tahmine dayalı analiz için veri toplama, temizleme ve ön işleme yapmak.
• Veriyi keşfetmek ve görselleştirmek için yorumlar ortaya çıkarmak.
• Tahminleri yapma için temel istatistiksel modeller oluşturma.
• Tahmine dayalı model performansını değerlendirme.
• Gerçek dünyada tahmin edici AI kavramlarını uygulama.

Bu Türkiye (çevrimiçi veya現場) yerel eğitim, tahmin edici AI'yi DevOps uygulamalarına entegre etmek isteyen orta düzeyli DevOps profesyonelleri için tasarlanmıştır.

Bu eğitim sonunda, katılımcılar şunları yapabilecekler:

• Tahmin edici analiz modellerini uygulayarak ve çözmek için DevOps pipeline'indeki meydana gelebilecek zorlukları öngörebilirsiniz.
• Geliştirilmiş izleme ve operasyonlar için AI ile desteklenen araçları kullanabilirsiniz.
• Yazılım teslimat akışlarını iyileştirmek için makine öğrenimi tekniklerini uygulayabilirsiniz.
• Proaktif sorun çözümü ve optimizasyonu için AI stratejileri tasarlayabilirsiniz.
• DevOps'ta AI kullanımı etik açıdan düşüncelere yer verebilirsiniz.

Genel Bakış

İletişim hizmeti sağlayıcıları (CSP'ler), mükemmel müşteri deneyimi sağlarken maliyetleri düşürme ve kullanıcı başına ortalama geliri (ARPU) en üst düzeye çıkarma konusunda baskı altındadır, ancak veri hacimleri artmaya devam etmektedir. Küresel mobil veri trafiği, 2016'ya kadar yıllık bileşik büyüme oranı (CAGR) olarak %78 artarak aylık 10,8 exabyte'a ulaşacaktır.

Bu arada, CSP'ler çağrı detay kayıtları (CDR), ağ verileri ve müşteri verileri dahil olmak üzere büyük miktarda veri üretmektedir. Bu verileri tam olarak kullanan şirketler rekabet avantajı elde etmektedir. The Economist Intelligence Unit tarafından yapılan son bir ankete göre, veri odaklı karar alma kullanan şirketler %5-6 oranında verimlilik artışı elde etmektedir. Ancak şirketlerin %53'ü değerli verilerinin yalnızca yarısını kullanmakta ve katılımcıların dörtte biri, çok miktarda kullanışlı verinin kullanılmadığını belirtmektedir. Veri hacimleri o kadar yüksektir ki manuel analiz imkansızdır ve çoğu eski yazılım sistemi ayak uyduramamaktadır, bu da değerli verilerin atılmasına veya göz ardı edilmesine neden olmaktadır.

Big Data & Analytics’in yüksek hızlı, ölçeklenebilir büyük veri yazılımıyla, CSP'ler daha kısa sürede daha iyi karar almak için tüm verilerini çıkarabilirler. Farklı Big Data ürünleri ve teknikleri, büyük verilerden içgörüler toplamak, hazırlamak, analiz etmek ve sunmak için uçtan uca bir yazılım platformu sağlar. Uygulama alanları arasında ağ performansı izleme, dolandırıcılık tespiti, müşteri kaybı tespiti ve kredi risk analizi yer almaktadır. Big Data & Analytics ürünleri terabaytlarca veriyi işleyecek şekilde ölçeklenebilir, ancak bu tür araçların uygulanması Hadoop gibi yeni nesil bulut tabanlı veritabanı sistemleri veya devasa ölçekli paralel işlemci (KPU vb.) gerektirir.

Bu kurs, CSP'lerin verimlilik kazanımı için yatırım yaptığı ve yeni iş gelir akışları açtığı tüm yeni alanları kapsayan Big Data BI for Telco konusunu ele almaktadır. Kurs, karar vericilerin ve yöneticilerin Big Data BI'ın Telco'daki potansiyelini tam olarak anlamalarını sağlamak için Big Data BI'ın Telco'daki 360 derecelik kapsamlı bir genel bakışını sunacaktır.

Kurs Hedefleri

Kursun ana hedefi, Telecom Business'ün 4 sektöründe (Marketing/Satış, Ağ Operasyonları, Finansal Operasyonlar ve Müşteri İlişkileri Management) yeni Big Data iş zekası tekniklerini tanıtmakdır. Öğrencilere aşağıdakiler tanıtılacaktır:

• Big Data'ya giriş - Big Data'daki 4V (hacim, hız, çeşitlilik ve doğruluk) nedir - Telco perspektifinden oluşturma, çıkarma ve yönetme
• Big Data analitiğinin eski veri analitiğinden nasıl farklı olduğu
• Big Data'nın şirket içi gerekçelendirilmesi - Telco perspektifi
• Hadoop Ekosistemine giriş - Big Data sorunlarını çözmek için ne zaman ve nasıl kullanılacakları konusunda Hive, Pig, SPARC gibi tüm Hadoop araçlarına aşinalık
• Big Data'nın analitik araçlar için nasıl çıkarıldığı - Business Analysis'ün entegre Hadoop gösterge panosu yaklaşımı aracılığıyla veri toplama ve analizindeki sorun noktalarını nasıl azaltabileceği
• Telco için temel içgörü analitiği, görselleştirme analitiği ve tahmin analitiği tanıtımı
• Müşteri kaybı analitiği ve Big Data - Big Data analitiğinin Telco'da müşteri kaybını ve müşteri memnuniyetsizliğini nasıl azaltabileceği - vaka çalışmaları
• Ağ meta verilerinden ve IPDR'den ağ arızası ve hizmet arızası analitiği
• Satış ve operasyonel verilerden finansal analiz - dolandırıcılık, israf ve yatırım getirisi tahmini
• Müşteri edinme sorunu - hedef pazarlama, müşteri segmentasyonu ve satış verilerinden çapraz satış
• Tüm Big Data analitik ürünlerinin tanıtımı ve Telco analitik alanına nasıl uydukları
• Sonuç - Big Data Business Intelligence'yi kuruluşunuzda adım adım nasıl tanıtacağınız

Hedef Kitle

• Ağ operasyonları, Finansal Yöneticiler, CRM Yöneticileri ve Telco CIO ofisindeki üst düzey BT Yöneticileri.
• Telco'daki Business Analistleri
• CFO ofisi yöneticileri/analistleri
• Operasyonel Yöneticiler
• Kalite Güvence Yöneticileri

Bu eğitmen liderliğindeki canlı eğitimde, katılımcılar Big Data teknolojilerine yaklaşım için gereken zihniyeti öğrenecek, mevcut süreçler ve politikalar üzerindeki etkilerini değerlendirecek ve bu teknolojileri suç faaliyetlerini tespit etmek ve suçu önlemek amacıyla uygulayacaklar. Dünya çapındaki kolluk kuvvetleri örgütlerinden vaka çalışmaları incelenerek, benimseme yaklaşımları, karşılaştıkları zorluklar ve elde edilen sonuçlar hakkında içgörüler kazanılacak.

Bu eğitimin sonunda katılımcılar şunları yapabilecekler:

• Bir soruşturma sırasında hikayeyi bir araya getirmek için Big Data teknolojisini geleneksel veri toplama süreçleriyle birleştirmek.
• Veri analizi için endüstriyel büyük veri depolama ve işleme çözümlerini uygulamak.
• Suç soruşturmasında veriye dayalı bir yaklaşımı etkinleştirmek için en uygun araçlar ve süreçlerin benimsenmesi için bir öneri hazırlamak.

Hedef Kitle

Elinizdeki verilere anlam vermeye çalışıyorsanız veya internette (Twitter, LinkedIn vb.) bulunan yapılandırılmamış verileri analiz etmek istiyorsanız, bu kurs tam size göre.

Esas olarak karar vericiler ve hangi verilerin toplanmaya ve analiz edilmeye değer olduğuna karar vermesi gereken kişiler hedeflenmektedir.

Çözümü yapılandıran kişiler hedeflenmese de, bu kişiler de genel bakış açısından faydalanacaktır.

Sunum Şekli

Kurs boyunca katılımcılara ağırlıklı olarak açık kaynak teknolojilerinin çalışan örnekleri sunulacaktır.

Kısa derslerin ardından katılımcılar tarafından sunumlar ve basit egzersizler yapılacaktır.

İçerik ve Kullanılan Yazılımlar

Kullanılan tüm yazılımlar, her kurs çalıştırmasında güncellenir, böylece mümkün olan en yeni sürümler kontrol edilir.

Veri elde etme, biçimlendirme, işleme ve analiz sürecinden, makine öğrenimi ile karar alma sürecini nasıl otomatikleştirileceğine kadar her şey kapsanır.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), DataRobot'in makine öğrenimi yeteneklerini kullanarak tahmin modellerini otomatikleştirmek, değerlendirmek ve yönetmek isteyen veri bilimcileri ve veri analistlerini hedeflemektedir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Veri kümelerini DataRobot içine yükleyerek verileri analiz etmek, değerlendirmek ve kalite kontrolünden geçirmek.
• Önemli değişkenleri belirlemek ve tahmin hedeflerine ulaşmak için modeller oluşturmak ve eğitmek.
• İş kararlarında faydalı olabilecek değerli bilgiler oluşturmak için modelleri yorumlamak.
• Optimize edilmiş bir tahmin performansı sağlamak için modelleri izlemek ve yönetmek.

R, istatistiksel hesaplama, veri analizi ve grafikler için açık kaynaklı ve ücretsiz bir programlama dilidir. R, şirketler ve akademisyenler tarafından giderek artan sayıda yönetici ve veri analisti tarafından kullanılmaktadır. R'nin veri madenciliği için geniş bir paket yelpazesi bulunmaktadır.

Tahmini analiz, gelecekle ilgili tahminlerde bulunmak için veri analizinin kullanılması sürecidir. Bu süreç, gelecekteki olayları tahmin etmek için öngörüsel bir model oluşturmak amacıyla veri, veri madenciliği, istatistik ve makine öğrenimi tekniklerini kullanır.

Bu eğitmen liderliğindeki, canlı eğitimde katılımcılar, Matlab'ı kullanarak öngörüsel modeller oluşturmayı ve gelecekteki olayları tahmin etmek için bunları büyük örneklem veri kümelerine nasıl uygulayacaklarını öğreneceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Tarihsel ve işlem verilerindeki kalıpları analiz etmek için öngörüsel modeller oluşturmak
• Riskleri ve fırsatları belirlemek için öngörüsel modelleme kullanmak
• Önemli eğilimleri yakalayan matematiksel modeller oluşturmak
• Cihazlardan ve iş sistemlerinden gelen verileri kullanarak israfı azaltmak, zamandan tasarruf etmek veya maliyetleri düşürmek

Hedef Kitle

• Geliştiriciler
• Mühendisler
• Alan uzmanları

Kurs Formatı

• Kısmen ders anlatımı, kısmen tartışma, egzersizler ve yoğun uygulamalı çalışma

R, istatistiksel hesaplama, veri analizi ve grafikler için açık kaynaklı ücretsiz bir programlama dilidir. R, şirketler ve akademideki yöneticiler ve veri analistleri tarafından artan sayıda kişi tarafından kullanılmaktadır. R, veri madenciliği için çeşitli paketlere sahiptir.

RapidMiner, hızlı uygulama prototipleme ve geliştirme için açık kaynaklı bir veri bilimi yazılım platformudur. Veri hazırlama, makine öğrenimi, derin öğrenme, metin madenciliği ve tahmine dayalı analiz için entegre bir ortam içerir.

Bu eğitmen liderliğindeki canlı eğitimde katılımcılar, veri hazırlama, makine öğrenimi ve tahmine dayalı model dağıtımı için RapidMiner Studio'nun nasıl kullanılacağını öğreneceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• RapidMiner'ü kurmak ve yapılandırmak
• RapidMiner ile veri hazırlamak ve görselleştirmek
• Makine öğrenimi modellerini doğrulamak
• Verileri birleştirmek ve tahmine dayalı modeller oluşturmak
• Tahmine dayalı analitiği bir iş sürecine dahil etmek
• RapidMiner'ü sorun gidermek ve optimize etmek

Hedef Kitle

• Veri bilimcileri
• Mühendisler
• Geliştiriciler

Kurs Formatı

• Kısmen ders anlatımı, kısmen tartışma, egzersizler ve yoğun uygulamalı çalışma

Not

• Bu kurs için özelleştirilmiş bir eğitim talep etmek için lütfen bizimle iletişime geçerek ayarlama yapınız.